MétaCan
Menu
Retour à la cohorte
Enregistrement W4393386767 · doi:10.1186/s12891-024-07357-6

Patients’ experience on pain outcomes after hip arthroplasty: insights from an information tool based on registry data

2024· article· en· W4393386767 sur OpenAlexaff
Gianluca Fabiano, Sophie Cole, Christophe Baréa, Stéphane Cullati, Thomas Agoritsas, Nils Gutacker, Alan J. Silman, Didier Hannouche, Anne Lübbeke, Rafael Pinedo‐Villanueva

Notice bibliographique

RevueBMC Musculoskeletal Disorders · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueTotal Knee Arthroplasty Outcomes
Établissements canadiensMcMaster UniversityImpact
Organismes subventionnairesnon disponible
Mots-clésMedicinePhysical therapyArthroplastyWOMACBody mass indexOrthopedic surgerySports medicineOsteoarthritisInternal medicineSurgeryAlternative medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Arthroplasty registries are rarely used to inform encounters between clinician and patient. This study is part of a larger one which aimed to develop an information tool allowing both to benefit from previous patients' experience after total hip arthroplasty (THA). This study focuses on generating the information tool specifically for pain outcomes. METHODS: Data from the Geneva Arthroplasty Registry (GAR) about patients receiving a primary elective THA between 1996 and 2019 was used. Selected outcomes were identified from patient and surgeon surveys: pain walking, climbing stairs, night pain, pain interference, and pain medication. Clusters of patients with homogeneous outcomes at 1, 5, and 10 years postoperatively were generated based on selected predictors evaluated preoperatively using conditional inference trees (CITs). RESULTS: Data from 6,836 THAs were analysed and 14 CITs generated with 17 predictors found significant (p < 0.05). Baseline WOMAC pain score, SF-12 self-rated health (SRH), number of comorbidities, SF-12 mental component score, and body mass index (BMI) were the most common predictors. Outcome levels varied markedly by clusters whilst predictors changed at different time points for the same outcome. For example, 79% of patients with good to excellent SRH and less than moderate preoperative night pain reported absence of night pain at 1 year after THA; in contrast, for those with fair/poor SHR this figure was 50%. Also, clusters of patients with homogeneous levels of night pain at 1 year were generated based on SRH, Charnley, WOMAC night and pain scores, whilst those at 10 years were based on BMI alone. CONCLUSIONS: The information tool generated under this study can provide prospective patients and clinicians with valuable and understandable information about the experiences of "patients like them" regarding their pain outcomes.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,149
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,013
Tête enseignante GPT0,276
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Musculoskeletal DisordersMême sujetTotal Knee Arthroplasty OutcomesTravaux en français237 207